Float16Array в ECMAScript 2026: ускорение ML-моделей в браузере

[hannadev]

Float16Array в ECMAScript 2026 меняет подход к обработке данных в браузере. Этот новый типизированный массив хранит 16-битные числа с плавающей запятой, экономя память вдвое по сравнению с Float32Array. Теперь ML-модели запускаются быстрее без серверов, а графику рендерят с меньшими затратами.

Зачем это нужно? Браузеры часто упираются в память при работе с большими датасетами. Float16Array решает проблему: подходит для нейросетей, 3D-графики и визуализаций. Вы получаете производительность GPU-уровня прямо в JS, без плагинов.

Что такое Float16Array и как он работает

Float16Array - это TypedArray для half-precision чисел по стандарту IEEE 754. Каждый элемент занимает 2 байта: 1 бит на знак, 5 на экспоненту, 10 на мантиссу. Это компромисс между скоростью и точностью - для ML достаточно, а память тратится минимально.

В ECMAScript 2026 он интегрируется с ArrayBuffer, поддерживает все методы TypedArray: map, filter, slice. Chrome 146 уже реализует его полностью, другие движки следуют. Представьте: модель на WebNN загружает веса в Float16Array - и inference ускоряется на 30-50%.

• Экономия памяти: Массив на 1 млн элементов Float16Array весит 2 МБ, Float32Array - 4 МБ.
• Интероп с WebGPU: Передача данных в шейдеры без конвертации.
• Совместимость: Работает с DataView.getFloat16/setFloat16 для бинарных файлов.

Тип массива	Размер (байт)	Точность	Применение
Float32Array	4	Высокая	Общие вычисления
Float16Array	2	Средняя	ML, графика
Float64Array	8	Максимальная	Научные расчеты

Ускорение ML-моделей в браузере

ML в браузере раньше тормозил из-за Float32. Float16Array позволяет загружать модели вроде TensorFlow.js или ONNX в половинном размере. Web Neural Network API (WebNN) теперь использует его нативно для тензоров.

Пример: простая свертка в нейросети. Код создает Float16Array с весами, передает в MLGraphBuilder. Результат - dispatch графа выполняется быстрее, без лишних копий данных. В реальных проектах это ускоряет face detection или image classification на мобильных устройствах.

• Загрузка моделей: const weights = new Float16Array(modelBuffer); - веса из ONNX в 2 раза легче.
• Интеграция с WebNN: builder.constant({dataType: 'float16'}, weights).
• Производительность: Inference на 40% быстрее в Chrome 146.
• Оптимизация для edge: Меньше трафика при скачивании моделей.

const float16Array = new Float16Array([1.5, 2.3, 3.7]);
const tensor = builder.constant({dataType: 'float16', shape: [1, 3]}, float16Array);

Интеграция в фронтенд-проекты

В React или Vue добавьте Float16Array в хуки для данных. Three.js использует его для геометрических буферов - вершины позиций хранятся компактно, рендер летит. Для визуализаций D3.js большие датасеты загружаются без лагов.

Миграция простая: Babel и TypeScript уже поддерживают в пресетах ES2026. Нет нужды в полифиллах. В играх на WebGL Float16Array ускоряет матрицы трансформаций, снижая нагрузку на GPU.

• Three.js: geometry.attributes.position.array = new Float16Array(vertices);.
• TensorFlow.js: Конвертация моделей в float16 через tf.tensor(weights, ‘float16’).
• Визуализации: D3 с Float16Array для 1M+ точек без тормозов.

Сценарий	Без Float16Array	С Float16Array
ML inference	200 мс	120 мс
3D-рендер	4 МБ буфер	2 МБ
Датасет 1M	Лаги	Плавно

Новые горизонты для WebNN и графики

Float16Array открывает дверь для bfloat16 и float8 в будущем, но уже сейчас меняет WebNN. Модели из PyTorch экспортируются напрямую, без потерь в точности для inference. Графика в браузерных играх выходит на уровень нативных.

Это не просто тип данных - это шаг к полноценному ML на клиенте. Остается доработать поддержку во всех движках и инструменты для конвертации моделей. Теперь браузер конкурирует с десктопом в вычислениях.